211service.com
El algoritmo coincide con los cardiólogos humanos en la detección de ataques cardíacos
Un infarto de miocardio, o ataque al corazón, ocurre cuando el suministro de sangre al músculo cardíaco se interrumpe permanentemente por algún tipo de bloqueo. El tratamiento consiste en ensanchar la arteria afectada con un globo o un stent para permitir que la sangre fluya de nuevo o evitar el bloqueo por completo con una cirugía de derivación coronaria.
De cualquier manera, la intervención debe ser oportuna y un diagnóstico rápido puede marcar una gran diferencia. Sin embargo, en el entorno a menudo caótico de una sala de emergencias, los signos de un ataque cardíaco no se pasan por alto con frecuencia y las consecuencias son profundas.
Por lo tanto, una forma automatizada de detectar de manera precisa y confiable los signos reveladores sería un importante paso adelante. Pero a pesar de mucha investigación en esta área, los sistemas automatizados de monitoreo cardíaco son significativamente menos confiables que los cardiólogos capacitados.
Hoy, eso parece que va a cambiar gracias al trabajo de Nils Strodthoff en el Instituto Fraunhofer Heinrich Hertz en Berlín y Claas Strodthoff en el Centro Médico Universitario Schleswig-Holstein en Kiel, ambos en Alemania. Estos muchachos han desarrollado una red neuronal que puede detectar los signos de un infarto de miocardio y dicen que la máquina iguala el rendimiento de los cardiólogos humanos por primera vez.
Primero, algunos antecedentes. Una de las mejores formas de diagnosticar un ataque cardíaco es usar un electrocardiógrafo para medir la salida eléctrica del corazón. Un ECG estándar registra la señal eléctrica de 12 derivaciones diferentes conectadas a diferentes partes del cuerpo del paciente.
Estas señales revelan el comportamiento eléctrico del corazón de varias maneras. Los cardiólogos saben desde hace tiempo que las señales de algunas de estas derivaciones son más útiles para el diagnóstico que otras cuando se trata de ataques cardíacos.
Pero interpretar los datos es difícil. Un médico primero tiene que calcular algún tipo de señal de nivel base, ignorar cualquier ruido o datos corruptos y luego aislar los latidos cardíacos individuales. Luego, el médico busca intervalos de tiempo y valores de voltaje predefinidos o detectados automáticamente para cada latido.
Finalmente, él o ella debe identificar las características apropiadas en el latido del corazón y clasificar la condición en consecuencia. El proceso de clasificación se complica aún más por la presencia de una señal llamada elevación del ST. Los pacientes con esta señal deben ser tratados lo antes posible, mientras que los que no la tienen requieren más pruebas que consumen mucho tiempo.
Ninguno de estos pasos es fácil. De hecho, todos se vuelven más difíciles por los latidos cardíacos irregulares o inusuales, por el ruido y por la corrupción de datos, todos los cuales son comunes en un entorno de sala de emergencias.
Entonces, tal vez no sea una sorpresa que en todo este caos, los humanos superen significativamente a las máquinas.
Pero en los últimos años, las redes neuronales han hecho un progreso significativo en los problemas de reconocimiento de patrones, como la identificación de rostros y objetos. Por lo tanto, existe un gran interés en aplicar estas técnicas a datos médicos donde el reconocimiento de patrones también es el objetivo.
Strodthoff y Strodthoff han hecho precisamente eso con una base de datos de 148 registros de ECG de pacientes con infarto de miocardio y 52 controles sanos. Utilizaron una técnica de ventana deslizante para alimentar datos a una red neuronal. Cada ventana incluía al menos tres latidos.
El equipo usó el 90 por ciento de los datos para entrenar una red neuronal para detectar los signos de un ataque al corazón.
El resto de los datos se utilizó para probar la red, con resultados interesantes. La arquitectura propuesta supera los enfoques de vanguardia actuales en este conjunto de datos y alcanza un nivel de rendimiento similar al de los cardiólogos humanos para esta tarea, dicen Strodthoff y Strodthoff.
Además, las máquinas tienden a confiar preferentemente en los datos de las mismas derivaciones en las que los cardiólogos humanos han aprendido a confiar.
Ese impresionante resultado muestra el potencial de las máquinas inteligentes para mejorar drásticamente la atención médica. Pero no es perfecto, por supuesto.
Un problema potencial es que el conjunto de datos utilizado aquí es relativamente pequeño. Los algoritmos de aprendizaje automático generalmente requieren grandes conjuntos de datos anotados para aprender bien. Crear conjuntos de datos más grandes de las grabaciones de ataques cardíacos llevará mucho tiempo y será difícil. Pero solo con conjuntos de datos más grandes, los médicos pueden estar seguros de que los algoritmos serán precisos en la amplia gama de entornos caóticos en los que trabajan los médicos.
Pero el potencial es enorme. Las máquinas pueden aliviar parte del tedio y la complejidad de la medicina para los médicos humanos, y hacerlo sin cansarse. Y el enfoque desarrollado por Strodthoff y Strodthoff es genéricamente aplicable a cualquier problema de clasificación de series temporales de datos sin procesar de dispositivos como ECG y EEG, que abundan en medicina. Así que otras aplicaciones son posibles
Lo que significa que seguramente no pasará mucho tiempo antes de que la mayoría de nosotros seamos diagnosticados, al menos en parte, por máquinas.
Ref: arxiv.org/abs/1806.07385 : Detección e interpretación de infartos de miocardio mediante redes neuronales totalmente convolucionales